深度学习可以采用神经网络模型，也可以采用其它模型（比如深度信念网络是一种概率图模型）。 深度学习采用的模型主要是神经网络模型。
1.2 奇妙的风格化效果 将计算机视觉技术应用在App中，可以为图片实现滤镜效果。使用深度学习技术实现的风格化滤镜效果非常魔幻。
生成式对抗网络有助于生成逼真的图片、卡通人物、人脸的图像创建和三维物体的渲染。视频游戏开发者利用生成对抗网络，通过图像训练提升低分辨率。
百度云智学院首次对外发布了AI全栈学习路线图，由百度一众技术导师以及行业领域专家联合整理贡献，结合视频课程、实验项目等大量优质的学习资源，配套测评考试与能力认证，覆盖AI初学者从入门到行业专家的学习全周期
相比于模式匹配和传统机器学习的方法，深度学习方法优势明显。基于深度学习的方法可以在神经
下图展示了深度强化学习这8年来的里程碑成果，非常激动人心： 在这篇文章中，我们想探讨三个方面的内容： （1）深度强化学习当前的核心技术（2）深度强化学习需要解决的问题（3）深度强化学习未来可能的发展方向
这个报告讨论了将深度学习方法引入音频信号处理中的一些尝试和初步结果。 音频信号的深度学习处理方法 报告主要包括音频信号领域的研究方向介绍和将深度学习方法引入音频信号处理中的尝试和初步结果。
2.深度学习和机器学习的关系 深度学习是机器学习的最热门分支，这句话足以解释深度学习和机器学习的关系。
对于绝大部分用户，仅需一行命令即可完成深度学习模型的服务部署工作。此外 Paddle Serving 提供了两种语言（Python/C++）编写的服务框架，方便深度用户选择自己熟悉的编程语言二次开发。
